محققان در مقاله جدیدی روشی به نام «Perturbative-NeuSA» را معرفی کردهاند که دنیای حل معادلات دیفرانسیل با مشتقات جزئی (PDEs) را متحول میکند. این رویکرد هوشمندانه با تفکیک دقیق دینامیکهای شناخته شده و بخشهای غیرقابل پیشبینی، نیاز به آموزشهای سنگین شبکههای عصبی را به شدت کاهش میدهد.
نتایج نشان میدهد که این متد، حتی بدون آموزشهای پیچیده عصبی، عملکردی به مراتب دقیقتر از مدلهای قبلی داشته و در مسائلی مثل معادله «برگرز» تا دهها برابر خطای کمتری تولید کرده است. گامی مهم به سوی شبیهسازیهای سریعتر و دقیقتر در علوم پایه! 🧪💻
سازی
منبع: arXiv Machine Learning